關于人工智能（AI）如何商業(yè)化應用的討論如火如荼，從16年的星星之火，17年的燎原之勢，到今年可以說是無孔不入了?，F(xiàn)在要是哪個場合沒有AI元素，主辦方都不好意思邀請嘉賓出席。

突然有一天，有人說了句玩笑話，說當前的人工智能應用，只見“人工”，不見“智能”，有多少“人工”就有多少“智能”。本來是調侃一下，但大家突然感覺好想還真是這么個意思，不經(jīng)意之間點破了當前AI的現(xiàn)狀，那就是呼聲很高，但落地很少。

所以就這個話題，我將繼續(xù)與品覺老師約茶聊天，這回主要探討如何從“數(shù)據(jù)”產(chǎn)生“智能”。我更關心的視角是，企業(yè)如何應用數(shù)據(jù)進行商業(yè)分析與決策，如何從大量的“數(shù)據(jù)”中產(chǎn)生支持決策的“智能”。接下來是我們的一些實踐與思考，拋磚引玉，大家多拍磚。

《數(shù)據(jù)的本質》 作者：車品覺

大數(shù)據(jù)專家，前阿里巴巴集團副總裁、現(xiàn)紅杉資本專家合伙人，被譽為“中國數(shù)據(jù)化思考第一人”

以硅谷Palantir為例

在《數(shù)據(jù)的本質》一書中，品覺老師提到了Palantir的例子。大家都知道，Palantir是全球AI領域的明星公司，被認為用算法解決了很多最為復雜的社會和商業(yè)問題。但與Palantir深度交流過之后，品覺發(fā)現(xiàn)實際上在他們的客戶項目里面，大量的工作是在做數(shù)據(jù)ETL與數(shù)據(jù)整合，而基于AI的算法應用、關聯(lián)分析，只是浮出水面的那冰山一角。

（Palantir示例場景 圖片來源于網(wǎng)絡）

兩個案例看本土實踐

在本土，我們也遇到很多類似的場景，今天也分享幾個例子。

以一家行業(yè)領先的連鎖零售品牌為例，這家客戶在全國有千家門店，主營有時效性的生鮮類產(chǎn)品。我們第一次討論，確定的切入場景是門店銷售預測以及基于此的智能訂貨，這是一個典型的AI與業(yè)務結合的應用場景。從這個場景切入，因為這是在業(yè)務這一側表現(xiàn)出來的顯著痛點，高層們都非常重視。

但正式接觸之后，我們與客戶IT團隊很快意識到，第一層和第二層樓（“數(shù)據(jù)的基礎”）還沒有蓋好，直接上馬第三層樓（“AI應用”）是不切實際的。

具體來說，要對門店銷售進行預測，需要對門店促銷的歷史數(shù)據(jù)以及銷售數(shù)據(jù)進行關聯(lián)建模。門店會對不同單品進行促銷，并根據(jù)季節(jié)因素經(jīng)常性的輪換推薦不同的產(chǎn)品。不同單品的促銷與否以及推薦力度，毫無疑問會直接影響到單品銷售額以及門店銷售額的變化。更進一步，有些門店還會根據(jù)一些門店端非常特殊的原因，比如極端天氣或者小區(qū)周邊活動等，進行促銷的調整。這些促銷相關的數(shù)據(jù)，對于發(fā)現(xiàn)產(chǎn)品銷售的關聯(lián)性至關重要，是構建模型特征工程的關鍵變量。

我們與客戶IT團隊緊密合作，對相關促銷數(shù)據(jù)進行了系統(tǒng)地梳理，發(fā)現(xiàn)歷史數(shù)據(jù)有很大缺失。算法團隊花了大量的時間來構建與尋找合適的模型特征值，但由于關鍵數(shù)據(jù)的缺失，模型效果提升很緩慢。

更進一步追蹤，為什么這些關鍵的促銷數(shù)據(jù)在之前并沒有很好的得到留存？一個關鍵原因是BI（商業(yè)智能）的應用還沒有到位。

客戶以往看數(shù)據(jù)做決策主要是去看POS、ERP系統(tǒng)里面自帶的報表數(shù)據(jù)，以及加上OA里面有一些匯總類或者填報類的數(shù)據(jù)。而業(yè)務系統(tǒng)里面的報表數(shù)據(jù)，與真正的BI的應用還是有本質區(qū)別。

BI的各種應用幫助企業(yè)打通各個核心業(yè)務環(huán)節(jié)，倒逼企業(yè)構建扎實的數(shù)據(jù)基礎。比如，通過BI里面的聯(lián)動分析，分析某單品促銷與銷售的整體關聯(lián)表現(xiàn)，再進一步進行BI的鉆取分析，追蹤到具體門店級別的，發(fā)現(xiàn)某單店的關聯(lián)表現(xiàn)。

這些分析都是非常經(jīng)典的BI分析場景，如果有了這些場景，就能夠第一時間發(fā)現(xiàn)，其實有些分析是無法進行下去的，原因是對應的原始數(shù)據(jù)并沒有落下來，比如前面提到的促銷數(shù)據(jù)。而這些發(fā)現(xiàn)是將進一步的倒逼IT系統(tǒng)的優(yōu)化，以及相應業(yè)務流程的完善，及時補充數(shù)據(jù)完整性和一致性。

而這個層層倒逼的邏輯，在我們另一個500強客戶身上也是出奇的一致。

這是一個FMCG快速消費品巨頭的中國業(yè)務，我們的目標是將銷售預測的準確率再提升5個百分點。

相對大部分國內客戶而言，這家全球客戶有更深入的BI投入和應用基礎，有相對完備的數(shù)據(jù)沉淀，所以啟動AI的應用容易很多。但是，當真正進入到最后1%就要落地的時候，我們遇到了很多“地雷”。

很有意思的是，這些“地雷”都不是AI算法直接相關，也基本都是數(shù)據(jù)不一致的問題。更進一步，我們發(fā)現(xiàn)這些數(shù)據(jù)基礎問題，都是出現(xiàn)在相應的BI場景還沒有覆蓋的地方。比如該客戶BI場景正要但還沒有覆蓋到品類促銷的主題分析，所以這些場景背后存在很多的數(shù)據(jù)孤島以及對應的數(shù)據(jù)口徑不一致的邏輯。

欲速則不達。

為了進一步推動AI場景應用的落地，我們與客戶討論發(fā)現(xiàn)，最快的辦法是先回到BI層面，快速的把缺失的分析場景進行敏捷的構建。

這個構建的過程本身帶來了數(shù)據(jù)孤島的打通、指標體系與統(tǒng)計口徑的一致，以及確認了各業(yè)務部門的統(tǒng)一視角。所以，BI的不斷完善，本質上是為AI場景的落地夯實了基礎。

有了這些數(shù)據(jù)基礎的提升，我們也快速推進了AI的落地和迭代。

“無BI，不AI”

在《數(shù)據(jù)的本質》里面，品覺老師把“數(shù)據(jù)”與“智能”兩者比喻為氣宗與劍宗。劍宗強調犀利快速，而氣宗強調底子扎實和后勁十足。兩者的關系是以氣御劍，劍氣兼修。這個比喻非常形象。

我們數(shù)據(jù)提了一個說法叫：“無BI，不AI”。也許有些絕對，但這個理念我們在與大量客戶合作的溝通中確實發(fā)現(xiàn)很有普適性。

BI與AI兩者相輔相成，當構建的BI分析場景越來越成熟、完善，能夠進行算法和模型的AI應用越多，而反之，則不斷倒逼基礎分析和數(shù)據(jù)的完善，形成良性的閉環(huán)。

養(yǎng)數(shù)據(jù)，生智能。

從BI分析到AI應用，不斷倒逼升級數(shù)據(jù)基礎。從數(shù)據(jù)出發(fā)，反復迭代，最終構建企業(yè)的決策大腦。

關于作者

蘇春園，數(shù)據(jù)猿專欄專家，觀遠數(shù)據(jù)創(chuàng)始人兼CEO，卡內基梅隆大學信息技術與管理專業(yè)碩士，曾擔任納斯達克上市公司MicroStrategy微策略軟件全球高管&中國研發(fā)總裁，為多家500強客戶提供商業(yè)智能與大數(shù)據(jù)分析產(chǎn)品與方案。觀遠數(shù)據(jù)是國內新銳的智能數(shù)據(jù)分析公司，獲多家全球頂級VC投資，通過AI+BI的一站式商業(yè)智能分析平臺，為客戶提供可行動的決策建議。

注：本文由觀遠數(shù)據(jù)&蘇春園投遞并授權數(shù)據(jù)猿發(fā)布，投稿請發(fā)送至郵箱：tougao@datayuan.cn

來源：觀遠數(shù)據(jù)